DE102011053044A1

DE102011053044A1 - System and method for analyzing and visualizing local clinical features

Info

Publication number: DE102011053044A1
Application number: DE102011053044A
Authority: DE
Inventors: Gopal B. Avinash; Ananth Mohan
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2010-08-27
Filing date: 2011-08-26
Publication date: 2012-03-01
Also published as: US20120051608A1; CN102436539A; JP2012045387A

Abstract

Ein System und ein Verfahren zur Analyse und Visualisierung von lokalen klinischen Merkmalen beinhaltet das Identifizieren (34) eines ersten interessierenden Gebietes (ROI) aus einem von einem Patienten akquirierten medizinischen Bilddatensatz (32) und das Extrahieren (36) eines Merkmalsdatensatzes, der ein für das interessierende Gebiet spezifisches interessierendes Merkmal wiedergibt. Das System beinhaltet außerdem die Identifizierung (38) eines zweiten interessierenden Gebietes (ROI) aus dem medizinischen Bilddatensatz, das Extrahieren (40) eines Bezugsdatensatzes, der Bezugsdaten enthält, welche ein erwartetes Verhalten des interessierenden Merkmales wiedergeben, das Vergleichen (44) des Merkmalsdatensatzes mit dem Bezugsdatensatz, das Erzeugen (44) einer Abweichungsmetrik, die einer Abweichung des interessierenden Merkmals basierend auf dem Vergleich wiedergibt und das Erzeugen (46) einer visuellen Darstellung der Abweichungsmetrik.A system and a method for the analysis and visualization of local clinical features includes the identification (34) of a first region of interest (ROI) from a medical image data set (32) acquired from a patient and the extraction (36) of a feature data set that is relevant for the area of interest represents a specific feature of interest. The system also includes identifying (38) a second region of interest (ROI) from the medical image data set, extracting (40) a reference data set containing reference data reflecting expected behavior of the feature of interest, comparing (44) the feature data set with the reference data set, generating (44) a deviation metric that represents a deviation of the feature of interest based on the comparison, and generating (46) a visual representation of the deviation metric.

Description

Hintergrund der ErfindungBackground of the invention

Ausführungsformen der Erfindung beziehen sich allgemein auf diagnostische Bildgebung und mehr im Einzelnen auf ein System und ein Verfahren zur Analysierung und sichtbaren Darstellung lokaler klinischer Merkmale.Embodiments of the invention relate generally to diagnostic imaging, and more particularly to a system and method for analyzing and visually presenting local clinical features.

Komplexe medizinische Zustände und Krankheiten, wie beispielsweise die alzheimerische Krankheit oder Lungenkrebs sind in einem frühen Stadium schwer festzustellen und zu überwachen. Diese komplexen Krankheiten sind auch schwierig in standardisierter Art zum Vergleich mit einer Basislinie zu quantifizieren, etwa mit den Daten, die aus einer standardisierten Bezugspopulation gewonnen wurden.Complex medical conditions and diseases, such as Alzheimer's disease or lung cancer, are difficult to detect and monitor at an early stage. These complex diseases are also difficult to quantify in a standardized manner for comparison with a baseline, such as the data obtained from a standardized reference population.

Im Hinblick auf diese Schwierigkeiten haben Forscher Verfahren zur Bestimmung statistischer Abweichungen von normalen Patientenpopulationen entwickelt. So ist zum Beispiel ein Element zur Feststellung neurodegenerativer Krankheiten (NDD) die Entwicklung von nach Alter und Tracer voneinander verschiedener Normdatenbanken. Ein Vergleich dieser Normale kann lediglich in einem standardisierten Bereich, z. B. dem Talairachbereich oder dem Bereich des Montreal Neurological Institute (MMI) erfolgen. Das MMI definiert ein Standardgehirn unter Verwendung großer Serien Magnetresonanz-Bildgebungsscanns (MRI) bei normalen Kontrollen. Das Talairachgebiet nimmt Bezug auf ein Gehirn, das für den Talairach und den Tournouxatlas geschnitten und fotografiert ist. Sowohl auf dem Talairachgebiet als auch dem MNI-Gebiet müssen unter Verwendung von Registriertechniken Daten für das jeweilige Standardgebiet aufgezeichnet werden. Zu gebräuchlichen Verfahren, die eine Abwandlung des vorgenannten Verfahrens benutzen gehören Tracer NeuroQ^®, statistischer Parameterabgleich (SPM), 3D-stereotaktische Oberflächenprojektionen (3D-SSP) und so weiter.In view of these difficulties, researchers have developed methods for determining statistical deviations from normal patient populations. For example, an element for detecting neurodegenerative diseases (NDD) is the development of different age databases by age and tracer. A comparison of these standards can only in a standardized area, eg. The Talairach area or the area of the Montreal Neurological Institute (MMI). The MMI defines a standard brain using large-scale Magnetic Resonance Imaging (MRI) scans in normal controls. The Talairach area refers to a brain cut and photographed for the Talairach and Tournouxatlas. In both the Talairakh area and the MNI area, data must be recorded for each standard area using registration techniques. To conventional methods, using a modification of the aforementioned method include tracer NeuroQ ^®, statistical parameter matching (SPM), 3D stereotactic surface projections (3D-SSP) and so on.

Sobald ein Vergleich vorgenommen wurde, wird ein eine statistische Abweichung der Anatomie wiedergebendes Bild dargestellt, das es einem Betrachter gestattet, eine Diagnose auf der Grundlage des Bildes zu erstellen. Eine solche Diagnose zu erstellen, ist eine sehr spezielle Aufgabe und wird typischerweise von hochspezialisierten medizinischen Bildgebungsexperten vorgenommen. Jedoch können auch solche Experten lediglich eine subjektive Aussage über das Maß der Schwere der Krankheit machen. Wegen dieser inhärenten Subjektivität sind die Diagnosen gelegentlich inkonsistent und nicht standardisiert.Once a comparison is made, an anatomical statistical deviation image is displayed that allows a viewer to make a diagnosis based on the image. Creating such a diagnosis is a very specific task and is typically done by highly specialized medical imaging experts. However, even such experts can only make a subjective statement about the extent of the severity of the disease. Because of this inherent subjectivity, the diagnoses are occasionally inconsistent and not standardized.

Die heutige Forschungsliteratur lässt es in steigendem Maße klar werden, dass Kliniker in der Lage sein müssen, eine große Vielfalt verschiedener klinisch gewonnener Parameter in wirksamer Weise zu betrachten und zu analysieren, so dass sie wohlbegründete Entscheidungen treffen können. Die traditionellen Verfahren machen es aber für einen Kliniker schwierig, die zunehmend große Menge akquirierter klinischer Daten zu analysieren und zutreffend zu interpretieren. Wenngleich automatisierte Algorithmen und entscheidungsstützende Softwareapplikationen entwickelt worden sind, um bei der Bildanalyse zu helfen, so ist doch die Genauigkeit des Ergebnisses aus diesen Algorithmen und Applikationen in der Praxis schwer zu verifizieren. Außerdem bedingen diese automatisierten Algorithmen typischerweise eine „Black-Box”-Betrachtungsweise für die Entscheidungsfindung, wenn Bilddaten die Eingangsgrößen für den Algorithmus und eine endgültige Entscheidung dessen Ausgangsgröße sind. Demgemäß geben diese Algorithmen einem Kliniker wenig Möglichkeit, mit dem Algorithmus in Wechselwirkung zu treten und dessen innere Arbeitsabläufe zu verstehen.Today's research literature is making it increasingly clear that clinicians must be able to effectively view and analyze a wide variety of clinically derived parameters so that they can make well-founded decisions. Traditional methods, however, make it difficult for a clinician to analyze and properly interpret the increasing volume of acquired clinical data. Although automated algorithms and decision support software applications have been developed to aid in image analysis, the accuracy of the result from these algorithms and applications is difficult to verify in practice. In addition, these automated algorithms typically require a black-box approach for decision making when image data is the input to the algorithm and a final decision on its output. Accordingly, these algorithms give a clinician little ability to interact with the algorithm and understand its internal workings.

Demgemäß besteht ein Bedürfnis nach einer Verfahrensweise zur Visualisierung klinisch gewonnener charakteristischer Merkmale eines interessierenden Gebietes eines Bildes unter Bezugnahme auf einen Bezugsdatensatz derart, dass ein Kliniker auf einen Blick leicht die relevante Information aufnehmen kann.Accordingly, there is a need for a methodology for visualizing clinically derived characteristics of an area of interest of an image with reference to a reference data set such that a clinician can readily obtain the relevant information at a glance.

Deshalb besteht der Wunsch ein System und ein Verfahren zur Analysierung und Veranschaulichung von charakteristischen Eigenschaften lokaler Merkmale bei Bilddaten zu schaffen, die die vorerwähnten Nachteile vermeiden.Therefore, there is a desire to provide a system and method for analyzing and demonstrating characteristic features of local features in image data that avoid the aforementioned disadvantages.

Kurze Beschreibung der ErfindungBrief description of the invention

Gemäß einem Aspekt der Erfindung ist auf einem Computer lesbaren Speichermedium ein Computerprogramm gespeichert, das Anweisungen enthält, welche bei der Ausführung durch einen Computer den Computer veranlassen, auf einen von einem Patienten erworbenen medizinischen Bilddatensatz zuzugreifen und aus dem medizinischen Datensatz ein erstes interessierendes Gebiet (ROI) zu identifizieren. Die Anweisungen veranlassen außerdem den Computer, einen Merkmalsdatensatz zu extrahieren, der ein für das ROI interessierendes Merkmal repräsentiert, aus dem medizinischen Datensatz ein zweites medizinisches Gebiet (ROI) zu identifizieren und einen Bezugsdatensatz zu extrahieren, der Bezugsdaten enthält, welche ein erwartetes Verhalten des interessierenden Merkmals wiedergeben. Weiterhin veranlassen die Anweisungen den Computer den Merkmalsdatensatz mit dem Bezugsdatensatz zu vergleichen, eine Abweichungsmetrik zu erzeugen, welche eine auf dem Vergleich beruhende Abweichung des interessierenden Merkmals wiedergibt und eine visuelle Darstellung der Abweichungsmetrik zu erzeugen.According to one aspect of the invention, a computer program is stored on a computer readable storage medium containing instructions which, when executed by a computer, cause the computer to access a medical image record acquired by a patient and obtain a first region of interest (ROI) from the medical record ) to identify. The instructions also cause the computer to extract a feature record that represents a feature of interest to the ROI, a second medical tile from the medical record (ROI) and to extract a related dataset containing reference data representing an expected behavior of the feature of interest. Further, the instructions cause the computer to compare the feature data set with the reference data set, generate a deviation metric representing a comparison-based deviation of the feature of interest, and generate a visual representation of the deviation metric.

Gemäß einem anderen Aspekt der Erfindung beinhaltet ein Verfahren die Schritte des Zugreifens auf einem klinischen Bilddatensatz, der von einem Patienten akquirierte Daten enthält, das Identifizieren eines ersten ROI aus dem klinischen Datensatz und das Definieren eines ersten ROI-Datensatzes, der Bilddaten enthält, welche dem ersten ROI entsprechen. Das Verfahren beinhaltet außerdem die Schritte des Extrahierens wenigstens einer abgeleiteten interessierenden Besonderheit, die dem ersten ROI entspricht aus dem ersten ROI-Datensatz, das Definieren eines charakteristischen Datensatzes, welcher Bilddaten enthält, die wenigstens eine abgeleitete interessierende Besonderheit wiedergeben und das Identifizieren eines zweiten ROI aus dem klinischen Bilddatensatz. Das Verfahren beinhaltet weiterhin die Schritte des Definierens eines zweiten ROI-Datensatzes, der Bilddaten enthält, die dem zweiten ROI entsprechen, das Extrahieren eines Bezugsdatensatzes aus dem zweiten ROI-Datensatz, wobei der Bezugsdatensatz Bezugsdaten für die wenigstens eine abgeleitete interessierende Besonderheit enthält. Das Verfahren beinhaltet darüber hinaus das Vergleichen des Besonderheit-Datensatzes mit dem Bezugsdatensatz, das Berechnen wenigstens einer Abweichungsmetrik aus dem Vergleich und das Abgeben wenigstens einer visuellen Darstellung der wenigstens einen Abweichungsmetrik.According to another aspect of the invention, a method includes the steps of accessing a clinical image data set containing data acquired from a patient, identifying a first ROI from the clinical data set, and defining a first ROI data set containing image data match first ROI. The method also includes the steps of extracting at least one derived interesting feature corresponding to the first ROI from the first ROI data set, defining a characteristic data set containing image data representing at least one derived interesting feature of interest, and identifying a second ROI the clinical image data set. The method further includes the steps of defining a second ROI data set containing image data corresponding to the second ROI, extracting a reference data set from the second ROI data set, the reference data set including reference data for the at least one derivative of interest of interest. The method further includes comparing the feature record with the related record, calculating at least one deviation metric from the comparison, and providing at least one visual representation of the at least one offset metric.

Gemäß einem noch anderen Aspekt der Erfindung beinhaltet ein System zum Analysieren klinischer Bilddaten eine Datenbank mit darin gespeicherten von einem Patienten akquirierten klinischen Bilddaten und einem Prozessor, der dazu programmiert ist, auf einen Datensatz aus der Datenbank zuzugreifen. Der Prozessor ist derart programmiert, dass er ein Ziel-ROI aus dem Datensatz definiert, wenigstens ein lokales Merkmal, das dem Ziel-ROI entspricht, aus dem Patientendatensatz extrahiert und einen Merkmal-Datensatz definiert, der das wenigstens eine lokale Merkmal wiedergibt. Außerdem ist der Prozessor so programmiert, dass er ein Bezugs-ROI aus dem Datensatz identifiziert, einen Bezugsdatensatz, der dem Bezugs-ROI entspricht aus dem Datensatz extrahiert, wenigstens eine Abweichungsmetrik für das wenigstens eine lokale Merkmal berechnet, wobei die wenigstens eine Abweichungsmetrik eine Abweichung des Merkmal-Datensatzes von dem Bezugsdatensatz wiedergibt und eine visuelle Darstellung der wenigstens einen Abweichungsmetrik abgibt. Das System beinhaltet darüber hinaus ein grafisches Benutzerinterface (GUI), das dazu ausgelegt ist, das wenigstens eine Abweichungsmetrik für das wenigstens eine lokale Merkmal darzustellen.In yet another aspect of the invention, a system for analyzing clinical image data includes a database having patient image acquired clinical image data and a processor programmed to access a data set from the database. The processor is programmed to define a target ROI from the data set, extract at least one local feature corresponding to the target ROI from the patient record, and define a feature record representing the at least one local feature. In addition, the processor is programmed to identify a reference ROI from the data set, a reference data set corresponding to the reference ROI extracted from the data set, calculates at least one deviation metric for the at least one local feature, wherein the at least one deviation metric is a deviation of the feature record from the related record and provide a visual representation of the at least one departure metric. The system also includes a graphical user interface (GUI) that is configured to present the at least one deviation metric for the at least one local feature.

Zahlreiche andere Merkmale und Vorteile ergeben sich aus der nachfolgenden detaillierten Beschreibung und den Zeichnungen.Numerous other features and advantages will become apparent from the following detailed description and drawings.

Kurze Beschreibung der ZeichnungShort description of the drawing

Die Zeichnung veranschaulicht bevorzugte Ausführungsformen, die gegenwärtig für die Ausführung der Erfindung in Frage kommen.The drawing illustrates preferred embodiments that are currently contemplated for carrying out the invention.

In der Zeichnung:In the drawing:

1 ist ein Blockdiagramm eines beispielhaften Datenakquisitions- und Verarbeitungssystems gemäß einer Ausführungsform der Erfindung. 1 FIG. 10 is a block diagram of an exemplary data acquisition and processing system according to one embodiment of the invention. FIG.

2 ist ein Flussdiagramm zur Veranschaulichung einer Technik zur Visualisierung und Analyse eines einem klinischen Bilddatensatz zugeordneten lokalen Merkmals gemäß einer Ausführungsform der Erfindung. 2 FIG. 4 is a flow chart illustrating a technique for visualizing and analyzing a local feature associated with a clinical image data set according to an embodiment of the invention. FIG.

3 veranschaulicht eine beispielhafte visuelle Darstellung von Abweichungsdaten eines interessierenden lokalen Merkmals, die von einem gemeinsamen klinischen Datensatz abgeleitet ist, gemäß einer Ausführungsform der Erfindung. 3 FIG. 12 illustrates an exemplary visual representation of deviation data of a local feature of interest derived from a common clinical record, according to one embodiment of the invention. FIG.

4 veranschaulicht eine beispielhafte visuelle Darstellung von Abweichungsdaten für ein interessierendes Merkmal aus einer Analyse mehrerer Datenpunkte gemäß einer weiteren Ausführungsform der Erfindung. 4 FIG. 12 illustrates an exemplary visual representation of feature data of an interest feature from analysis of multiple data points according to another embodiment of the invention. FIG.

5 ist ein Flussdiagramm zur Veranschaulichung einer Technik zur Visualisierung und Analyse eines lokalen Merkmals, das einem klinischen Bilddatensatz zugeordnet ist, gemäß einer weiteren Ausführungsform der Erfindung. 5 FIG. 4 is a flow chart illustrating a technique for visualizing and analyzing a local feature associated with a clinical image data set according to another embodiment of the invention. FIG.

6 ist ein Flussdiagramm zur Veranschaulichung einer Technik zur Visualisierung und Analyse eines lokalen Merkmals, das einem klinischen Bilddatensatz zugeordnet ist, gemäß einer noch anderen Ausführungsform der Erfindung. 6 FIG. 10 is a flow chart illustrating a technique for visualizing and analyzing a local feature associated with a clinical image data set, according to yet another embodiment of the invention.

7 veranschaulicht eine beispielhafte visuelle Darstellung eines GUI zur Wiedergabe einer Visualisierung von Abweichungsdaten gemäß einer Ausführungsform der Erfindung. 7 FIG. 12 illustrates an exemplary visual representation of a GUI for rendering a visualization of deviation data according to an embodiment of the invention. FIG.

Detaillierte BeschreibungDetailed description

In der Regel enthält ein beispielhaftes prozessorbasiertes System 10 einen Mikrorechner oder Mikroprozessor 12, wie etwa eine zentrale Verarbeitungseinheit (CPU), die verschiedene Routinen und Verarbeitungsfunktionen des Systems 10 ausführt. Der Mikroprozessor 12 kann beispielsweise verschiedene Anweisungen des Betriebssystems, wie auch Softwareroutinen ausführen, die bestimmte Prozesse auslösen, welche entweder abgespeichert oder herstellerseitig zur Verfügung gestellt sind, einschließlich auf einem Computer lesbaren Speichermedium, wie einem Direktzugriffsspeicher (RAM) eines PCs oder in einer oder mehrerer Massenspeichervorrichtungen 16 (z. B. einem inneren oder äußeren Laufwerk, einer Feststoffspeichervorrichtung, CD-ROM, DVD oder anderen Speichervorrichtungen). Zusätzlich verarbeitet der Mikroprozessor 12 Daten, die als Eingangsgrößen für verschiedene Routinen von Softwareprogrammen zur Verfügung gestellt werden, wie etwa Daten, die im Zusammenhang mit den vorliegenden Techniken in computerbasierten Implementierungen bereitgestellt werden.Typically, it contains an exemplary processor-based system 10 a microcomputer or microprocessor 12 , such as a central processing unit (CPU), the various routines and processing functions of the system 10 performs. The microprocessor 12 For example, it may execute various instructions of the operating system as well as software routines that trigger certain processes that are either stored or provided by the manufacturer, including computer-readable storage media such as random access memory (RAM) of a personal computer or one or more mass storage devices 16 (eg, an internal or external drive, a solid state storage device, CD-ROM, DVD, or other storage device). In addition, the microprocessor processes 12 Data provided as inputs to various routines of software programs, such as data provided in conjunction with the present techniques in computer-based implementations.

Gemäß verschiedenen Ausführungsformen greift das System 10 sowohl auf einen Satz klinischer Daten, die von einem interessierenden Gebiet eines Patienten erworben sind oder diesem entsprechen, als auch auf einen Satz klinischer Bezugsdaten zu, wie dies im nachfolgenden im größeren Detail beschrieben wird. Die klinischen Daten können Daten umfassen, welche von einem oder mehreren bildgebenden Systemen verschiedener Gerätschaften, wie einem Röntgenstrahlensystem, einem Ultraschallbildgebungssystem, einem Computertomographie(CT)-Bildgebungssystem, einem Magnetresonanz(MR)-Bildgebungssystem, einem Positronenemissionstomographen(PET)-Bildgebungssystem, einem Einzelphotonen-Emissionscomputertomograph(SPEKT)-Bildgebungssystem akquiriert werden, um einige Beispiele zu benennen. Die klinischen Daten können auch Daten umfassen, die sich auf klinische Tests beziehen, wie dies im Einzelnen unter Bezugnahme auf 5 beschrieben werden wird. Das System 10 kann außerdem eine oder mehrere Datenbänke, wie optionale Datenbänke 18, 20 (gestrichelt dargestellt) zum Speichern von Daten enthalten, etwa von Daten, die von einem optionalen Datenakquisitionssystem 22 (gestrichelt dargestellt) gesammelt wurden, wie auch Daten, die von dem Mikroprozessor 12 benutzt oder hergestellt werden, und zwar einschließend sowohl Patientendaten, als auch Bezugsdaten, wie dies im größeren Detail noch erläutert werden wird. Zusätzlich kann das Datenverarbeitungssystem Daten unmittelbar von dem optionalen Datenakquisitionssystem 22, von den Datenbanken 18, 20 oder in irgendeiner anderen geeigneten Weise erhalten.According to various embodiments, the system intervenes 10 to a set of clinical data acquired from or corresponding to a patient's area of interest, as well as to a set of clinical reference data, as described in greater detail below. The clinical data may include data collected from one or more imaging systems of various equipment, such as an X-ray system, an ultrasound imaging system, a computed tomography (CT) imaging system, a magnetic resonance (MR) imaging system, a positron emission tomography (PET) imaging system, a single photon Mission computer tomograph (SPEKT) imaging system, to name a few examples. The clinical data may also include data related to clinical tests as described in detail with reference to 5 will be described. The system 10 can also have one or more databases, such as optional databases 18 . 20 (shown in phantom) for storing data, such as data received from an optional data acquisition system 22 (shown in phantom), as well as data collected by the microprocessor 12 may be used or manufactured, including both patient data and reference data, as will be explained in greater detail. In addition, the data processing system may receive data directly from the optional data acquisition system 22 , from the databases 18 . 20 or in any other suitable manner.

Alternativ können solche Daten in dem Speicher 14 oder der Massenspeichervorrichtung 16 gespeichert oder von diesen bereitgestellt sein oder sie können dem Mikroprozessor 12 über eine oder mehrere Eingabevorrichtungen 24 zugeführt werden. Für den Fachmann versteht sich, dass zu den Eingabevorrichtungen 24 handbediente Eingabevorrichtungen, wie eine Tastatur, eine Maus oder dergleichen zählen können. Zusätzlich können die Eingabevorrichtungen 24 eine Netzwerkvorrichtung umfassen, wie etwa eine leitungsgebundene oder drahtlose Ethernet-Karte, einen drahtlosen Netzwerkadapter oder irgendeinen von verschiedenen Anschlusskanälen oder Vorrichtungen, die dazu eingerichtet sind, die Kommunikation mit anderen Vorrichtungen über irgendein geeignetes Kommunikationsnetzwerk zu erleichtern, wie etwa ein lokales Nahbereichsnetzwerk oder das Internet. Über eine solche Netzwerkvorrichtung kann das System Daten austauschen und mit anderen netzwerkbetriebenen elektronischen Systemen kommunizieren und zwar unabhängig davon, ob diese nahe bei dem System 10 oder von diesem entfernt sich befinden. Es versteht sich, dass das Netzwerk verschiedene Komponenten enthalten kann, die die Kommunikation erleichtern, einschließlich Schalter, Router, Server oder andere Computer, Netzwerkadapter, Übertragungskabeln, usw.Alternatively, such data may be in the memory 14 or the mass storage device 16 stored or provided by them or they can be the microprocessor 12 via one or more input devices 24 be supplied. It will be understood by those skilled in the art that to the input devices 24 Hand-operated input devices, such as a keyboard, a mouse or the like can count. In addition, the input devices 24 a network device, such as a wireline or wireless Ethernet card, a wireless network adapter, or any of various port channels or devices configured to facilitate communication with other devices via any suitable communication network, such as a local area network or the Internet , Through such a network device, the system can exchange data and communicate with other network-powered electronic systems, whether close to the system 10 or away from it. It should be understood that the network may include various components that facilitate communication, including switches, routers, servers or other computers, network adapters, transmission cables, etc.

Von dem Mikroprozessor 12 erzeugte Ergebnisse, wie die durch Verarbeitung von Daten gemäß einer oder mehrerer gespeicherte Routinen gewonnenen Ergebnisse, können in einer Speichervorrichtung etwa dem Speicher 14 oder der Massenspeichervorrichtung 16 gespeichert werden, sie können einer zusätzlichen Verarbeitung unterzogen werden oder sie können einem Bediener über eine oder mehrere Ausgabevorrichtungen zugeführt werden, wie ein Display 26 und/oder einen Drucker 28. Basierend auf der dargestellten oder ausgedruckten Ausgabeinformation kann ein Bediener eine zusätzliche oder alternative Verarbeitung anfordern oder zusätzliche oder alternative Daten, etwa über die Eingabevorrichtung 24 eingeben. Selbstverständlich kann die Kommunikation zwischen den verschiedenen Komponenten des prozessorbasierten Systems 10 typischerweise über einen Chipset oder eine oder mehrere Busse oder Verbindungsmittel erfolgen, die die Komponenten des Systems 10 elektrisch miteinander verbinden. Bei bestimmten Ausführungsformen der vorliegenden Techniken kann das prozessorbasierte System insbesondere dazu eingerichtet sein, die Patientendiagnose zu erleichtern, wie dies im Nachfolgenden in größerem Detail noch erläutert werden wird.From the microprocessor 12 generated results, such as the results obtained by processing data according to one or more stored routines, may be stored in a memory device such as memory 14 or the mass storage device 16 they can be subjected to additional processing or they can be sent to one operator via one or more Output devices are supplied, such as a display 26 and / or a printer 28 , Based on the presented or printed output information, an operator may request additional or alternative processing or additional or alternative data, such as via the input device 24 enter. Of course, the communication between the various components of the processor-based system 10 typically done via a chipset or one or more buses or lanyards that are the components of the system 10 connect electrically. In certain embodiments of the present techniques, the processor-based system may be particularly configured to facilitate patient diagnosis, as will be explained in greater detail below.

Bezugnehmend auf 2 ist dort eine Technik 30 zur Visualisierung und Analyse eines interessierenden klinischen Zielgebiets (ROI) innerhalb eines medizinischen Bilddatensatzes gemäß einer Ausführungsform der Erfindung veranschaulicht. So wie hier verwendet, bedeutet ROI irgendein mehrdimensionales interessierendes Gebiet, wie beispielsweise eine Fläche oder ein Volumen. Bei einem Schritt 32 greift die Technik 30 auf medizinische Daten zu, die von einem Patienten akquiriert worden sind. Die medizinischen Daten können Bilddaten umfassen, die während eines Einzelscanns eines Patienten oder während einer Folge von Patientenscanns unter Verwendung irgendeiner Anzahl von Datenakquisitionssystemen akquiriert wurden, wie z. B. einem Röntgenstrahlensystem, einem Ultraschallsystem, einem CT-System, einem MR-System, einem PET-System und/oder einem SPECT-System.Referring to 2 is there a technique 30 for visualizing and analyzing a clinical target area of interest (ROI) within a medical image dataset according to an embodiment of the invention. As used herein, ROI means any multi-dimensional region of interest, such as a surface or a volume. At one step 32 picks up the technique 30 to medical data acquired from a patient. The medical data may include image data acquired during a single scan of a patient or during a sequence of patient scans using any number of data acquisition systems, such as, for example: An X-ray system, an ultrasound system, a CT system, an MR system, a PET system and / or a SPECT system.

Die Technik 30 wählt ein oder mehrere ROIs aus medizinischen Bilddaten bei einem Schritt 34 aus. Jedes ROI kann von Hand, halbautomatisch oder automatisch gemäß den verschiedenen Ausführungsformen ausgewählt werden, die irgendeine Kombination zur Verfügung stehender Bildbearbeitungswerkzeuge benutzen, wie ROI-Auswahl, Registrierung, Segmentierung, Kontur, Zeichnung, Bestimmung usw. Beispielsweise kann ein Kliniker ein ROI unter Verwendung einer Eingabevorrichtung (z. B. der Eingabevorrichtung 24 der 1) dadurch auswählen, dass er in einem Bild des Patienten auf einem Bildschirm (z. B. dem Bildschirm 26 der 1) eine Kontur rings um das ROI zeichnet. Als weiteres Beispiel kann ein ROI unter Verwendung eines automatisierten oder halbautomatisierten Algorithmus identifiziert werden.The technology 30 selects one or more ROIs from medical image data in one step 34 out. Each ROI can be selected manually, semi-automatically, or automatically according to the various embodiments using any combination of available image processing tools, such as ROI selection, registration, segmentation, contour, drawing, determination, etc. For example, a clinician may use an ROI Input device (eg the input device 24 of the 1 ) by placing it in a picture of the patient on a screen (eg the screen 26 of the 1 ) draws a contour around the ROI. As another example, an ROI may be identified using an automated or semi-automated algorithm.

Bei einem Schritt 36 werden eine oder mehrere örtliche Merkmale oder charakteristische Eigenschaften von Interesse identifiziert und dem oder den interessierenden örtlichen Merkmal(en) entsprechende Daten werden aus jedem klinischen ROI extrahiert. Derartige Daten werden durch Ausführung einer quantitativen Analyse der Bilddaten extrahiert. Lokale oder örtliche Daten geben verschiedene Parameter des dem klinischen ROI entsprechenden medizinischen Bilddatensatzes wieder. Zu einen vorgegebenen ROI können z. B. als lokale Daten gehören: Irgendeine Zahl von gestaltabhängigen Parametern (z. B. Ecken, Rundheit, Symmetrie, Orientierung, Exzentrizität, Massenzentrum, Begrenzungen, Momente, etc.), größenabhängige Paramter (z. B. Umfang, Fläche, maximale/minimale Radii, etc.) und/oder material- oder strukturabhängige Parameter (z. B. Kantigkeit, Homogenität, Nähe, Kantendichte, extreme Dichte, Strukturänderungen, etc.). Außerdem können lokale Merkmale irgendeinem anatomischen Merkmal oder funktionellen Merkmalen entsprechen, die in den Bilddaten enthalten sind. Lokale Merkmale können entsprechend verschiedener Ausführungsformen von Hand, halbautomatisch oder automatisch aus dem klinischen ROI extrahiert werden.At one step 36 If one or more local features or characteristics of interest are identified and data corresponding to the local feature (s) of interest is extracted from each clinical ROI. Such data is extracted by performing a quantitative analysis of the image data. Local or local data represents various parameters of the clinical ROI corresponding medical image data set. For a given ROI z. Any number of shape-dependent parameters (eg, corners, roundness, symmetry, orientation, eccentricity, mass center, boundaries, moments, etc.), size-dependent parameters (eg, perimeter, area, maximum / minimal radii, etc.) and / or material- or structure-dependent parameters (eg angularity, homogeneity, proximity, edge density, extreme density, structural changes, etc.). In addition, local features may correspond to any anatomical feature or functional features contained in the image data. Local features may be manually, semi-automatically, or automatically extracted from the clinical ROI according to various embodiments.

Bei einem Schritt 38 wird von einem Benutzer als Teil des Datenanalyseprozesses ein Bezugsgebiet von Hand, halbautomatisch oder automatisch ausgewählt werden. Das Bezugsgebiet kann einem oder mehrere Unterteile(n) von Bilddaten des gleichen Satzes medizinischer Patientenbilddaten entsprechen, aus denen das ROI ausgewählt worden war. Bei einer Ausführungsform werden das Bezugsgebiet und das ROI aus einem gemeinsamen Bild ausgewählt, wie dies anhand von 3 beschrieben ist. Alternativ kann das Bezugsgebiet auch aus einem anderen Bild ausgewählt werden, das während der gleichen Serie Patientenscanns wie das Bild aus dem das ROI ausgewählt wurde, akquiriert worden ist. Bei einer solchen Ausführungsform wird das Bezugsgebiet so ausgewählt, dass es einen Bereich der Anatomie des Patienten überdeckt, der sich nicht mit der dem ROI entsprechenden Anatomie überlappt. Das heißt, das ROI und das Bezugsgebiet sind in Bezug aufeinander exklusiv. Bei jeder Ausführungsform wird das Bezugsgebiet so ausgewählt, dass es den örtlichen Merkmalen entspricht und eine Basisinformation für jedes lokale Merkmal wiedergibt. Das Bezugsgebiet kann beispielsweise so ausgewählt sein, dass es gesunde oder normale Anatomie wiedergibt.At one step 38 As a part of the data analysis process, a user selects a reference area manually, semi-automatically, or automatically. The reference region may correspond to one or more sub-parts (n) of image data of the same set of medical patient image data from which the ROI has been selected. In one embodiment, the reference area and the ROI are selected from a common image, as shown in FIG 3 is described. Alternatively, the reference area may also be selected from another image acquired during the same series of patient scans as the image from which the ROI was selected. In such an embodiment, the reference area is selected to cover a portion of the patient's anatomy that does not overlap the anatomy corresponding to the ROI. That is, the ROI and the reference area are exclusive with respect to each other. In each embodiment, the reference area is selected to correspond to the local features and to provide basic information for each local feature. For example, the reference area may be selected to reflect healthy or normal anatomy.

Die Technik 30 extrahiert Bezugsdaten, die den interessierenden Merkmalen entsprechen, aus dem Bezugsgebiet bei einem Schritt 40 in ähnlicher Weise wie dies bezüglich des Schrittes 36 erläutert worden ist. Optional können bei einem (gestrichelt angedeuteten) Schritt 42 dem ROI entsprechende Merkmalsdaten standardisiert und bezüglich der Bezugsdaten normalisiert werden.The technology 30 extracts reference data corresponding to the features of interest from the reference area in one step 40 in a similar way as with respect to the step 36 has been explained. Optionally, at a (dashed lines indicated) step 42 standardized feature data is standardized to the ROI and normalized with respect to the reference data.

Bei einem Schritt 44 berechnet die Technik 30 eine oder mehrere Abweichungsmetriken, die die Abweichung zwischen den Patientendaten und den Bezugsdaten wiedergeben. Die Abweichungsmetrik erfasst das Maß der Abweichung der extrahierten lokalen Daten bezüglich der Bezugsdaten. Diese Analyse kann auf einem einzigen ROI innerhalb des Patientendatensatzes oder auf mehreren ROIs für jedes extrahierte lokale Merkmal durchgeführt werden. Bei dem Beispiel des einzigen ROI werden die dem ROI entsprechenden extrahierten lokalen Daten mit dem Bezugsdatensatz verglichen. Das Maß der Abweichung von dem auf die Bezugsgröße erwarteten Verhalten wird berechnet. Bei dem Beispiel mehrerer ROIs werden Daten, die den aus beiden ROIs extrahierten lokalen Daten entsprechen, mit einem oder mehreren Bezugsdatensätzen verglichen. Zum Beispiel kann eine Analyse extrahierte lokale Daten von ROIs, welche verschiedene interessierende Zysten wiedergeben, mit lokalen Daten eines Datensatzes, der von einer Anzahl Bezugszysten akquiriert worden ist vergleichen, um zu bestimmen, ob die interessierenden Zysten aus einem von den Bezugszysten verschiedener Material bestehen. At one step 44 calculates the technique 30 one or more deviation metrics that represent the deviation between the patient data and the reference data. The deviation metric measures the amount of deviation of the extracted local data relative to the reference data. This analysis can be performed on a single ROI within the patient record or on multiple ROIs for each extracted local feature. In the example of the single ROI, the extracted local data corresponding to the ROI is compared with the reference data set. The amount of deviation from the expected behavior on the reference is calculated. In the example of multiple ROIs, data corresponding to the local data extracted from both ROIs is compared to one or more related records. For example, an analysis may compare extracted local data of ROIs representing various cysts of interest with local data of a data set acquired from a number of reference cysts to determine if the cysts of interest consist of one of the reference cysts of different material.

Es kann eine Anzahl Techniken zur Berechnung von Metriken verwendet werden, welche die Abweichung der extrahierten lokalen Daten bezüglich des Bezugsdatensatzes ausdrücken. Bei einer Ausführungsform wird z. B. die Abweichung einer z-Auswertung eines interessierenden lokalen Charakteristikums bezüglich eines Satzes von Bezugsergebniswerten wie folgt berechnet:

A number of metrics calculation techniques may be used which express the deviation of the extracted local data relative to the reference data set. In one embodiment, for. For example, the deviation of a z-score of a local characteristic of interest with respect to a set of reference score values is calculated as follows:

Wobei z das z-Auswertungsergebnis angibt, x die zu standardisierenden rohen Patientendaten angibt, μ den Mittelwert der Bezugsdaten angibt und σ n die Standardabweichung der Bezugsdaten angibt.Where z indicates the z evaluation result, x indicates the raw patient data to be standardized, μ indicates the mean value of the reference data, and σ n indicates the standard deviation of the reference data.

Bei einem Schritt 46 gibt die Technik 33 eine Visualisierung der Abweichung der extrahierten lokalen Daten aus, wie dies unter Bezugnahme auf die 3, 4 und 7 in größerem Detail beschrieben ist.At one step 46 gives the technique 33 a visualization of the deviation of the extracted local data, as with reference to the 3 . 4 and 7 is described in more detail.

Ausführungsformen zur Auswahl eines ROI und entsprechender Bezugsdaten, sowie zur Visualisierung der Abweichung extrahierter lokaler Daten sind in den 3 und 4 veranschaulicht. 3 zeigt ein Bild 48, das gemäß einer Ausführungsform von einem Patienten akquiriert worden ist. Das Bild 48 kann ein zweidimensionales, ein dreidimensionales oder ein vierdimensionales Bild sein, das von irgendeiner Art Datenakquisitionssystem entsprechend verschiedener Ausführungsformen, wie etwa zum Beispiel dem Datenakquisitionssystem 22 der 1 akquiriert worden ist. Innerhalb des Bildes 48 ist ein ROI 50 ausgewählt. Wie dargestellt, hebt das ROI 50 einen Bereich des Bildes hervor, etwa einen Bereich der z. B. einen Gehirntumor beinhaltet, welcher bei der Behandlung eines Krebspatienten überwacht wird. Alternativ kann das ROI 50 einem Bereich in dem Bild entsprechen, von dem ein Kliniker aufgrund einer visuellen Betrachtung des Bildes annimmt, dass es eine abnormale Anatomie enthält. Dem ROI 50 sind eine Anzahl lokaler Merkmale zugeordnet, wie z. B. gestaltabhängige Parameter und/oder strukturabhängige Parameter.Embodiments for selecting an ROI and corresponding reference data, as well as for visualizing the deviation of extracted local data, are disclosed in US Pat 3 and 4 illustrated. 3 shows a picture 48 that has been acquired from a patient according to one embodiment. The picture 48 may be a two-dimensional, a three-dimensional or a four-dimensional image that is of any type of data acquisition system according to various embodiments, such as, for example, the data acquisition system 22 of the 1 has been acquired. Within the picture 48 is an ROI 50 selected. As shown, the ROI is increasing 50 an area of the image, such as a range of z. B. includes a brain tumor, which is monitored in the treatment of a cancer patient. Alternatively, the ROI 50 a region in the image from which a clinician assumes that it contains an abnormal anatomy due to a visual inspection of the image. The ROI 50 are associated with a number of local features, such. B. shape-dependent parameters and / or structure-dependent parameters.

In dem Bild 48 ist ein Bezugsgebiet 52 ausgewählt, das ähnliche lokale Merkmale beinhaltet, wie die innerhalb des ROI 50 vorhandenen lokalen Merkmale. Beispielsweise kann das Bezugsgebiet 52 ein ähnliches Gewebe wie das ROI 50 enthalten und aus einem Gewebebereich ausgewählt sein, der lokale Merkmale aufweist, welche einem Kliniker normal erscheinen.In the picture 48 is a reference area 52 which contains similar local features as those within the ROI 50 existing local features. For example, the reference area 52 a similar fabric as the ROI 50 and selected from a tissue region having local features that appear normal to a clinician.

Alternativ kann das Bezugsgebiet 52 aus einer ähnlichen Anatomie wie das ROI 50 ausgewählt sein. Beispielsweise können das ROI 50 und das Bezugsgebiet 52 beide Bereichen des Gehirns entsprechen, wie dies in 3 dargestellt ist.Alternatively, the reference area 52 from a similar anatomy as the ROI 50 be selected. For example, the ROI 50 and the reference area 52 both areas of the brain correspond, as in 3 is shown.

In 3 ist außerdem ein Abweichungsplan 54 dargestellt, der eine Abweichung zwischen den lokalen Merkmalen des ROI 50 und entsprechenden lokalen Merkmalen des Bezugsgebiets 52 wiedergibt. Jede Zelle 56 in dem Plan 54 entspricht einem unterschiedlichen lokalen Merkmal des ROI 50 und ist basierend auf der jeweiligen Abweichung des lokalen Merkmals von den Bezugsdaten kodiert. Gemäß einer Ausführungsform ist auf die lokalen Merkmalsdaten in dem Plan 54 eine gemeinsame Farbskala 58 aufgelegt, um die skalierten Werte so aufeinander zu normieren, dass die Abweichung über lokale Merkmale hinweg verglichen werden kann. Auf diese Weise sind lokale Merkmale, die stark von den Bezugsdaten abweichen, an einem ersten Ende 60 der Farbskala 58 dargestellt, während lokale Merkmale, die mit den Bezugsdaten eng korrelieren an einem zweiten Ende 62 der Farbskala 58, das dem ersten Ende 60 gegenüberliegt, dargestellt sind.In 3 is also a deviation plan 54 representing a deviation between the local features of the ROI 50 and corresponding local features of the reference area 52 reproduces. Every cell 56 in the plan 54 corresponds to a different local feature of the ROI 50 and is coded based on the respective deviation of the local feature from the reference data. According to one embodiment, the local feature data in the plan is 54 a common color gamut 58 to normalize the scaled values so that the deviation across local features can be compared. In this way, local features that differ greatly from the reference data are at a first end 60 the color scale 58 while local features closely correlate with the reference data at a second end 62 the color scale 58 that's the first end 60 opposite, are shown.

Bezugnehmend nun auf 4 ist dort eine alternative Ausführungsform der vorliegenden Erfindung veranschaulicht bei der mehrere interessierende Gebiete (ROIs) 64, 66, 68, 70, 72, 74, 76 in einem Bild 78 ausgewählt sind. Als ein Beispiel sind die ROIs 64 bis 74 als dreidimensionale Zylinder definiert, die jeweils Bronchien wiedergeben, während das ROI 76 als eine Kugel definiert ist, die einen in einem Bild der Lunge eines Patienten identifizierten Knoten wiedergibt. Die ROIs 64 bis 76 können von einem Kliniker ausgewählt sein, oder aber sie können bei alternativen Ausführungsformen unter Verwendung eines automatisierten oder halbautomatisierten Algorithmus ausgesucht sein. Referring now to 4 there is an alternative embodiment of the present invention illustrated in the multiple ROIs (ROIs) 64 . 66 . 68 . 70 . 72 . 74 . 76 in a picture 78 are selected. As an example, the ROIs 64 to 74 defined as three-dimensional cylinders, each representing bronchi, while the ROI 76 is defined as a sphere representing a node identified in an image of the lungs of a patient. The ROIs 64 to 76 may be selected by a clinician or, in alternative embodiments, may be selected using an automated or semi-automated algorithm.

4 veranschaulicht auch einen kombinierten Abweichungsplan 80, der jeweils einen Abweichungsplan 82, 84, 86, 88, 90, 92 und 94 enthält, welcher jeweils einem der ROIs 64 bis 76 entspricht. Die Abweichungspläne 92 bis 94 veranschaulichen die jeweilige Abweichung lokaler Merkmale des jeweiligen ROIs 64 bis 76 bezüglich der entsprechenden lokalen Merkmale der Bezugsdaten. Die jeweilige Abweichung der lokalen Merkmale kann auf der Basis eines Vergleiches der den ROIs 64 bis 76 entsprechenden Bilddaten mit einem Satz Bezugsdaten berechnet werden, die von dem Patienten akquirierte Daten beinhalten, welche lokale Merkmale von Bronchien und Knoten wiedergeben. Beispielsweise können die Bezugsdaten Bilddaten entsprechen, welche Gebieten in einer kontralateralen Lunge des Patienten wiedergeben oder sie können Bilddaten entsprechen, die eine nicht überlappende Anatomie in einem nachfolgend akquirierten Bild wiedergeben. Alternativ können die Bezugsdaten Gebiete in dem Bild 78 wiedergeben, die ähnlich dem Gebiet 52 der 3 sind. 4 also illustrates a combined deviation plan 80 , each one a deviation plan 82 . 84 . 86 . 88 . 90 . 92 and 94 contains whichever one of the ROIs 64 to 76 equivalent. The deviation plans 92 to 94 illustrate the respective deviation of local characteristics of the respective ROI 64 to 76 with respect to the corresponding local characteristics of the reference data. The respective deviation of the local characteristics may be based on a comparison of the ROIs 64 to 76 corresponding image data are calculated with a set of reference data containing data acquired by the patient representing local features of bronchi and nodules. For example, the reference data may correspond to image data representing areas in a contralateral lung of the patient, or may correspond to image data representing non-overlapping anatomy in an subsequently acquired image. Alternatively, the reference data may include areas in the image 78 reproduce, similar to the area 52 of the 3 are.

Die Abweichung der lokalen Merkmale ist in den Plänen 52 bis 94 in ähnlicher Weise dargestellt, wie dies mit Bezug auf 3 beschrieben worden ist. Das heißt, individuelle Zellen der Pläne 52 bis 94, von denen jede eine Abweichung eines jeweiligen lokalen Merkmals wiedergibt, sind unter Verwendung einer gemeinsamen Farbskala 96 kodiert. Zellen die so kodiert sind, dass sie einem Ende 98 der Farbskala 96 entsprechen, geben eine minimale Abweichung von dem Bezugswert wieder, während Zellen, deren Kodierung dem anderen Ende 100 der Farbskala 96 entspricht, eine signifikante Abweichung von dem Bezugswert wiedergeben.The deviation of the local features is in the plans 52 to 94 presented in a similar way as with reference to 3 has been described. That is, individual cells of the plans 52 to 94 each of which represents a deviation of a respective local feature are using a common color gamut 96 coded. Cells that are coded to end one another 98 the color scale 96 correspond, give a minimum deviation from the reference value, while cells whose coding is the other end 100 the color scale 96 corresponds to a significant deviation from the reference value.

Als Beispiel sei angenommen, dass der Plan 82 eine Abweichung lokaler Merkmale der als ROI 64 ausgewählten Bronchien von entsprechenden lokalen Merkmalen gesunder Bronchien in dem Patienten veranschaulicht. Die Zellen 102, 104, 106 des Plans 82 sind so kodiert, dass sie dem Ende 100 der Farbskala 96 entsprechen. Demgemäß zeigen die Zellen 102 bis 106 an, dass die diesen Zellen zugeordneten lokalen Merkmale von den entsprechenden lokalen Merkmalen der Bezugspopulation signifikant abweichen. Auf der anderen Seite sind die Zellen 108, 110, 112 so kodiert, dass sie dem Ende 98 der Farbskala 96 entsprechen. Demgemäß zeigen die Zellen 108 bis 112 an, dass die diesen Zellen zugeordneten lokalen Merkmale Werte aufweisen, die ähnlich den Bezugsdaten sind.As an example, suppose that the plan 82 a deviation of local characteristics of the as ROI 64 selected bronchi from corresponding local features of healthy bronchi in the patient. The cells 102 . 104 . 106 of the plan 82 are coded so that they end 100 the color scale 96 correspond. Accordingly, the cells show 102 to 106 indicate that the local features associated with these cells are significantly different from the corresponding local features of the reference population. On the other side are the cells 108 . 110 . 112 so encoded that it's the end 98 the color scale 96 correspond. Accordingly, the cells show 108 to 112 indicate that the local features associated with these cells have values that are similar to the reference data.

Durch Kombination der Abweichungspläne 82 bis 94 in einem gemeinsamen Schaubild, ist ein Kliniker in die Lage versetzt, schnell visuell eine Anzahl ROIs zu identifizieren, die auf weitere Details untersucht werden müssen. Zum Beispiel zeigen die Abweichungspläne 84, 86, 92, 94, die den ROIs 66, 68, 74, 76 jeweils entsprechen, eine minimale Abweichung zwischen den jeweiligen ROIs und den Bezugsdaten. Auf der anderen Seite zeigen die Abweichungspläne 82, 88, 90 eine signifikante Abweichung bei einer Anzahl interessierender Merkmale bei den ROIs 64, 70, 72. Diese Abweichungen können in den ROIs 64, 70, 72 liegende Abnormalitäten anzeigen.By combining the deviation plans 82 to 94 in a common graph, a clinician is able to quickly visually identify a number of ROIs that need further investigation. For example, the deviation plans show 84 . 86 . 92 . 94 that the ROIs 66 . 68 . 74 . 76 each correspond to a minimum deviation between the respective ROIs and the reference data. On the other side, the deviation plans show 82 . 88 . 90 a significant deviation in a number of interesting features in the ROIs 64 . 70 . 72 , These deviations can occur in the ROIs 64 . 70 . 72 Show lying abnormalities.

Wenngleich die in den 3 und 4 veranschaulichten Ausführungsformen mit Bezug auf ROIs erörtert wurden, die sich auf das Gehirn und Lungen beziehen, so versteht sich doch, dass die hier dargebotenen Techniken jede beliebige Art Anatomie analysieren und visualisieren können.Although in the 3 and 4 Although the illustrated embodiments have been discussed with reference to ROIs relating to the brain and lungs, it will be understood that the techniques presented herein are capable of analyzing and visualizing any type of anatomy.

Demgemäß ist hier eine Technik angegeben, die ein visuelles Verfahren zur Analyse lokaler Merkmale, die aus einem oder mehreren in einem Bilddatensatz ausgewählter ROIs abgeleitet sind, liefert, indem lokale Merkmale von dem jeweiligen ROI mit entsprechenden lokalen Merkmalen in einem Bezugsdatensatz verglichen werden. Eine solche Technik gibt einem Kliniker die Möglichkeit, eine digitale Biopsie von ausgewählten Werten in einem ROI in einem Bild auszuführen. Es versteht sich, dass Ausführungsformen der Technik auch dazu verwendet werden können, die lokalen interessierenden Merkmale im Hinblick auf mehrere Bezugsdatensätze zu analysieren, um Übereinstimmungen und Abweichungen zwischen dem ROI und den jeweiligen Bezugsdatensätzen zu identifizieren. So können z. B. lokale Merkmale, die strukturabhängigen Parametern eines ROI in einem Bild des Gehirns eines Patienten entsprechen, mit entsprechenden lokalen Merkmalen „gesunden” Gewebes in dem Patienten verglichen werden. Die sich ergebenden Abweichungspläne können dann als Hilfsmittel bei der Patientendiagnose benutzt werden.Accordingly, there is provided herein a technique that provides a visual method for analyzing local features derived from one or more ROIs selected in an image data set by comparing local features from the respective ROI with corresponding local features in a related data set. Such a technique allows a clinician to perform a digital biopsy of selected values in an ROI in an image. It will be understood that embodiments of the technique may also be used to analyze the local features of interest for multiple reference data sets to identify matches and discrepancies between the ROI and the respective reference data sets. So z. For example, local features that correspond to structure-dependent parameters of an ROI in an image of a patient's brain are compared to corresponding local features of "healthy" tissue in the patient. The resulting deviation plans can then be used as a tool in patient diagnosis.

5 veranschaulicht eine alternative Ausführungsform der Erfindung, die eine Technik 114 beinhaltet, welche ein gegebenes ROI Ergebnissen zuordnet, die aus einem oder mehreren klinischen Tests gewonnen wurden, die dem gegebenen ROI entsprechen. Bei dem Schritt 116 greift die Technik 114 auf medizinische Daten, einschließlich Bilddaten und medizinische Testdaten zu, die von einem Patienten akquiriert worden sind. Die Bilddaten können Daten beinhalten, welche während eines Einzelscanns eines Patienten oder einer Folge von Patientenscanns unter Verwendung irgendeiner Anzahl Datenakquisitionssysteme akquiriert worden sind, wie z. B. einem Röntgenstrahlensystem, einem Ultraschallsystem, einem CT-System, einem MR-System, einem PET-System, und/oder einem SPECT-System. Die klinischen Testdaten beinhalten patientenspezifische Daten, die die Ergebnisse klinischer Tests wiedergeben, wie z. B. von Bluttests, Herzfrequenz, Demenzuntersuchungen, Fragebogen zur Befundung von Funktionen, neurologischen Tests und Prüfungen des Geisteszustandes. 5 illustrates an alternative embodiment of the invention, which is a technique 114 which associates a given ROI with results obtained from one or more clinical tests corresponding to the given ROI. At the step 116 picks up the technique 114 to medical data, including image data and medical test data acquired from a patient. The image data may include data acquired during a single-scan of a patient or a series of patient scans using any number of data acquisition systems, such as a data acquisition system. An X-ray system, an ultrasound system, a CT system, an MR system, a PET system, and / or a SPECT system. The clinical test data includes patient-specific data that reflects the results of clinical tests, such as: These include: blood tests, heart rate, dementia testing, function questionnaire, neurological tests, and mental status checks.

Nach der Beurteilung der medizinischen Patientendaten folgt die Technik 114 entweder einem ersten Pfad 118 oder einem zweiten Pfad 120, um wenigstens ein ROI und einen dem ROI (den ROIs) zugeordneten klinischen Testergebnis-Datensatz zu identifizieren. Auf dem ersten Pfad 118 wird der klinische Testergebnis-Datensatz auf der Grundlage des in den medizinischen Bilddaten identifizierten ROIs identifiziert. Im Einzelnen wird bei einem Schritt 122 ein ROI aus den medizinischen Bilddaten ausgewählt. Das ROI kann von Hand, halbautomatisch oder automatisch entsprechend verschiedenen Ausführungsformen ausgewählt werden. Bei einem Schritt 124 identifiziert die Technik 114 eine klinische Testergebnis-Datenbank auf der Grundlage des ausgewählten ROI. Bei einer solchen Ausführungsform kann ein vordefinierter Plan auf die klinischen Testergebnisse angewandt werden, um klinische Testergebnisse zu identifizieren, die den dem ROI zugeordneten klinischen Tests entsprechen. So ist es z. B. bekannt, dass gewisse klinische Tests wegen der funktionellen charakteristischen Eigenschaften der Gehirnregionen verschiedenen Regionen des Gehirns entsprechen. Wenn das ROI als ein spezielles Gebiet des Gehirns eines Patienten (z. B. des Parietallappens) ausgewählt ist, kann die Technik die klinischen Testergebnisse derart filtern, dass Ergebnisse eines klinischen Tests, (z. B. einer klinischen Demenzprüfung) der für diesen Bereich in dem ROI spezifisch ist, identifiziert werden.After the evaluation of the medical patient data follows the technique 114 either a first path 118 or a second path 120 to identify at least one ROI and a clinical test result record associated with the ROI (the ROIs). On the first path 118 the clinical test result record is identified based on the ROI identified in the medical image data. In detail, in one step 122 a ROI selected from the medical image data. The ROI can be manually, semi-automatically, or automatically selected according to various embodiments. At one step 124 identifies the technique 114 a clinical test result database based on the selected ROI. In such an embodiment, a predefined schedule may be applied to the clinical test results to identify clinical test results that correspond to the ROI-associated clinical tests. So it is z. For example, it is known that because of the functional characteristics of the brain regions, certain clinical tests correspond to different regions of the brain. If the ROI is selected as a particular area of the brain of a patient (eg, the parietal lobe), the technique may filter the clinical test results such that results of a clinical trial (eg, clinical dementia testing) for that area in which ROI is specific.

Auf dem zweiten Pfad 120 wird auf der anderen Seite ein ROI aus den medizinischen Bilddaten basierend auf einem ausgewählten oder zur Verfügung stehenden Datensatz klinischer Testergebnisse identifiziert. Bei einem Schritt 126 wird eine klinische Testergebnis-Datenbank identifiziert und bei einem Schritt 128 wird ein ROI identifiziert, das basierend auf der ausgewählten klinischen Testergebnis-Datenbank den jeweiligen medizinischen Bilddaten entspricht. Beispielsweise kann das ROI als ein Bereich identifiziert werden, der allgemein den Arten klinischer Tests entspricht, denen die klinische Testergebnis-Datenbank zugeordnet ist. Alternativ kann das ROI so identifiziert werden, dass es einen Anatomiebereich wiedergibt, der einem klinischen Testergebnis in der klinischen Testergebnis-Datenbank zugeordnet ist, welcher signifikant von normalem Verhalten oder von einem erwarteten Ergebnis abweicht. Als ein Beispiel kann die Technik 114 das klinische Testergebnis des Patienten, das von dem Bezugswert stärker als alle anderen klinischen Tests abweicht, als „heißen” klinischen Test identifizieren und das ROI als einen Anatomiebereich definieren, der diesem heißen klinischen Test zugeordnet ist.On the second path 120 On the other hand, an ROI is identified from the medical image data based on a selected or available set of clinical test results. At one step 126 a clinical test result database is identified and in one step 128 an ROI is identified that corresponds to the respective medical image data based on the selected clinical test result database. For example, the ROI may be identified as an area that generally corresponds to the types of clinical tests to which the clinical test result database is assigned. Alternatively, the ROI may be identified as reflecting an anatomy region associated with a clinical test result in the clinical test result database that deviates significantly from normal behavior or from an expected outcome. As an example, the technique 114 identify the patient's clinical test result, which deviates from the reference value more than any other clinical test, as a "hot" clinical test and define the ROI as an anatomy area assigned to this hot clinical test.

Bei einem Schritt 130 kann ein Testergebnis-Abweichungsplan identifiziert werden, der eine oder mehrere Abweichungen des klinischen Testergebnis-Datensatzes von einem Bezugsdatensatzes klinischer Testergebnisse identifiziert. Der Bezugsdatensatz klinischer Testergebnisse beinhaltet Testergebnisse, die erwarteten Testergebnissen zugeordnet sind, welche von einer Bezugspopulation akquiriert worden sind, etwa z. B. Ergebnissen, die normales oder abnormales Verhalten wiedergeben und/oder bekannten klinischen Werten. Bei einer Ausführungsform ist der Testergebnis-Abweichungsplan ein vorberechneter Plan, der in einer Datenbank oder in einer Massenspeichervorrichtung, wie irgendeiner der Vorrichtungen 16, 18, 20 der 1 abgespeichert ist. Alternativ kann der Testergebnis-Abweichungsplan auch als Teil der Technik 140, basierend auf einem Vergleich zwischen der patientenspezifischen klinischen Testergebnis-Datenbank und den gespeicherten klinischen Testergebnisbezugsdaten, in ähnlicher Weise berechnet werden, wie dies mit Bezug auf den Schritt 44 der 2 beschrieben wurde.At one step 130 For example, a test result deviation plan may be identified that identifies one or more deviations of the clinical test result data set from a reference data set of clinical test results. The reference data set of clinical test results includes test results associated with expected test results acquired from a reference population, e.g. B. Results that reflect normal or abnormal behavior and / or known clinical values. In one embodiment, the test result deviation plan is a precalculated schedule stored in a database or in a mass storage device, such as any of the devices 16 . 18 . 20 of the 1 is stored. Alternatively, the test result deviation plan may also be part of the technique 140 based on a comparison between the patient-specific clinical test result database and the stored clinical test result reference data, are calculated in a similar manner as described with respect to the step 44 of the 2 has been described.

Bei einem Schritt 132 gibt die Technik 114 eine Visualisierung der Abweichung der klinischen Testergebnisse des Patienten von den Bezugsergebnissen in ähnlicher Weise aus, wie dies anhand der 3, 4 beschrieben wurde. Bei einer Ausführungsform beinhaltet die Visualisierung das eine oder mehrere ROI(s) das bzw. die auf einer synthetischen Wiedergabe der Anatomie des Patienten hervorgehoben sind.At one step 132 gives the technique 114 Visualization of the deviation of the clinical test results of the patient from the reference results in a similar way, as shown by the 3 . 4 has been described. In one embodiment, the visualization includes the one or more ROI (s) highlighted on a synthetic representation of the anatomy of the patient.

Ausführungsformen der hier erläuterten Erfindung können auch auf Zwischenergebnisse angewandt werden, die durch einen Datamining- oder Lernmaschinenalgorithmus erzeugt wurden, der für eine klinische Entscheidungshilfe eingesetzt wurde, wie dies anhand der Technik 134 der 6 erläutert ist. Die Technik 134 beginnt damit, dass sie auf die von einem Patienten bei einem Schritt 136 akquirierten medizinischen Bilddaten in ähnlicher Weise zugreift, wie dies bezüglich des Schrittes 32 in 2 erläutert worden ist. Bei einem Schritt 138 wird ein Ziel-ROI oder -ROI-Datensatz identifiziert. Gemäß verschiedener Ausführungsformen kann das ROI identifiziert werden von Hand, etwa indem ein Benutzer einen Umriss auf einem Bild zeichnet, halbautomatisch, wie etwa durch Zusammenwirken eines Benutzers mit Entscheidungen treffenden Schritten eines Algorithmus oder automatisch durch Verwendung eines automatisierten Algorithmus. Beispielsweise kann ein automatisierter Algorithmus dazu verwendet werden, das Ziel-ROI zum Auffinden einer Krankheit zu identifizieren.Embodiments of the invention discussed herein may also be applied to intermediate results generated by a data mining or learning engine algorithm used for clinical decision support, as in the art 134 of the 6 is explained. The technology 134 Begins by being at one step by a patient 136 acquired medical image data accesses in a similar manner, as with respect to the step 32 in 2 has been explained. At one step 138 a target ROI or ROI record is identified. According to various embodiments, the ROI may be identified by hand, such as by a user drawing an outline on an image, semi-automatically, such as by interacting with a user with decision-making steps of an algorithm, or automatically using an automated algorithm. For example, an automated algorithm can be used to identify the target ROI for finding a disease.

Ein automatisierter Algorithmus analysiert bei einem Schritt 140 Bilddaten, die dem ROI entsprechen und extrahiert eine Anzahl Zwischenergebnisse. Zwischenergebnisse können Parameter sein, die von dem Lernalgorithmus vor Schritten wie beispielsweise Merkmalreduktion abgeleitet worden sind. Die Zwischenergebnisse können Parameter wiedergeben, die beispielsweise zur Einstufung einer Krankheit oder zur Differentialdiagnose Verwendung finden. Oder aber bei Ausführungsformen, bei denen ein automatisierter Algorithmus zur Identifizierung des ROI verwendet wird, können die Zwischenergebnisse eine Eingabe oder eine Ausgabe von Zwischenrechnungen wiedergeben, die von dem automatisierten Algorithmus zur Identifizierung des ROIs verwendet wurden. In solchen Fällen werden die Zwischenergebnisse der Anwendung des automatisierten Algorithmus auf ein ROI in einem Patientendatensatz in ähnlicher Weise behandelt, wie die mit Bezug auf die Technik 30 erörterten extrahierten lokalen Merkmale.An automated algorithm analyzes in one step 140 Image data corresponding to the ROI and extracts a number of intermediate results. Intermediate results may be parameters derived from the learning algorithm prior to steps such as feature reduction. The intermediate results may reflect parameters used, for example, to classify a disease or for differential diagnosis. Or in embodiments where an automated algorithm is used to identify the ROI, the intermediate results may represent input or output of intermediate calculations used by the automated algorithm to identify the ROI. In such cases, the intermediate results of applying the automated algorithm to an ROI in a patient record are treated in a manner similar to that described with respect to the technique 30 discussed extracted local features.

Die Technik 134 greift bei einem Schritt 142 auf Bezugsdaten zu, die dem ROI entsprechen. Gemäß der einen Ausführungsform greift die Technik 134 auf Bezugsdaten zu, die einem Satz vorberechneter Bezugsdaten entsprechen, wie etwa bekannten Werten, die von einer normalen oder abnormalen Anatomie, welche von einer Bezugspopulation gewonnen worden war, akquiriert worden sind. Alternativ greift die Technik 134 auf Bezugsdaten zu, indem sie ein Bezugs-ROI aus den medizinischen Bilddaten des Patienten in ähnlicher Weise definiert, wie dies anhand des Schrittes 38 der 2 beschrieben worden ist. Optional werden bei einem (gestrichelt dargestellten) Schritt 144 dem ROI entsprechende Daten standardisiert und zu den Bezugsdaten normiert.The technology 134 takes one step 142 to reference data that matches the ROI. According to one embodiment, the technique is effective 134 to reference data corresponding to a set of precalculated reference data, such as known values acquired from a normal or abnormal anatomy acquired from a reference population. Alternatively, the technique works 134 to reference data by defining a reference ROI from the patient's medical image data in a manner similar to that of the step 38 of the 2 has been described. Optionally, at a step (shown in dashed lines) 144 standardized data to the ROI and normalized to the reference data.

Bei einem Schritt 146 berechnet die Technik 134 Abweichungsmetriken auf der Grundlage eines Vergleichs zwischen den medizinischen Bilddaten des Patienten und den Bezugsdaten. Auf diese Weise können Zwischenergebnisse, die von einem auf dem ROI laufenden Lernalgorithmus abgeleitet worden sind, mit einem zugeordneten Satz Zwischenergebnisse verglichen werden, der dadurch abgeleitet ist, dass der Lernalgorithmus auf einem Bezugsdatensatz laufen lassen wird. Abweichungsmetriken werden aus dem Vergleich jedes Zwischenergebnisses in ähnlicher Weise abgeleitet, wie dies mit Bezug auf 2 beschrieben wurde und werden einem Benutzer bei einem Schritt 148 als ein oder mehrere Abweichungsplan bzw. -pläne ähnlich dem Abweichungsplan 54 (3) und der Abweichungspläne 92 bis 94 (4) dargestellt.At one step 146 calculates the technique 134 Deviation metrics based on a comparison between the patient's medical image data and the reference data. In this way, intermediate results derived from a learning algorithm running on the ROI can be compared to an associated set of intermediate results derived by running the learning algorithm on a reference data set. Deviation metrics are derived from the comparison of each intermediate result in a manner similar to that described with reference to FIG 2 has been described and become a user in one step 148 as one or more deviation plans or plans similar to the deviation plan 54 ( 3 ) and the deviation plans 92 to 94 ( 4 ).

Der sich ergebende Abweichungsplan ermöglicht dem Benutzer ein „Hineinschauen” in die von dem Lernalgorithmus eingesetzten Parameter und gestattet es dem Benutzer Einblicke in die innere Arbeitsweise des Algorithmus zu erlangen und mit diesem in Wechselwirkung zu treten, womit eine visuell basierte Datamining-Vorangehensweise bedeutend erleichtert wird. Eine solche Herangehensweise ergibt einen entscheidenden Vorteil gegenüber einem typischen „Black-Box” automatisierten Ansatz zur Entscheidungshilfe, der häufig erhebliche Validierungsarbeit mit sich bringt. Außerdem kann die Kenntnis der Abweichungsmetriken, die speziellen Zwischenergebnissen zugeordnet sind, dazu verwendet werden, verschiedene, in einem automatisierten Algorithmus verwendete Parameter „abzustimmen”. Beispielsweise kann ein gegebener Algorithmusparamter dazu angepasst werden, dass eine aus einem Vergleich zwischen bekannten normalen und bekannten abnormalen Daten berechnete Metrik ein bestimmtes Maß Abweichung anzeigt. Alternativ kann die Kenntnis einer oder mehrerer Abweichungsmetriken so verwendet werden, den automatisierten Algorithmus so abzuwandeln, dass das Zwischenergebnis den Bezugsparameter annähert.The resulting deviation scheme allows the user to "look into" the parameters employed by the learning algorithm and allows the user to gain insight into and interact with the inner workings of the algorithm, thus greatly facilitating a visually based data mining approach , Such an approach provides a distinct advantage over a typical black-box automated decision-making approach that often involves significant validation work. In addition, knowledge of the deviation metrics associated with particular intermediate results may be used to "tune" various parameters used in an automated algorithm. For example, a given algorithm parameter may be adjusted so that a metric calculated from a comparison between known normal and known abnormal data indicates a certain amount of deviation. Alternatively, the knowledge of one or more deviation metrics may be used to modify the automated algorithm such that the intermediate result approximates the reference parameter.

Wiederum bezugnehmend auf 4 sei beispielsweise angenommen, dass die ROIs 64, 70, 72 von einem automatisierten Algorithmus als einer abnormalen Anatomie entsprechend identifiziert worden seien, während die ROIs 66, 68, 74, 76 von dem automatisierten Algorithmus als normaler Anatomie entsprechend identifiziert worden sind. Ein Benutzer kann die Technik 134 dazu einsetzen, Abweichungspläne 82 bis 94 zur Darstellung von Zwischenergebnissen des Algorithmus zu erzeugen. Durch Vergleich der Abweichung eines gegebenen Zwischenergebnisses eines als normal angegebenen ROIs (z. B. des ROIs 66) mit einem entsprechenden Zwischenergebnis eines von dem Algorithmus als „abnormal” bezeichneten ROI (z. B. des ROIs 64) kann der Benutzer Einblicke in den inneren Arbeitsablauf des Algorithmus gewinnen und ein Verständnis des Entscheidungsfindungsprozesses des Algorithmus erlangen.Referring again to 4 For example, suppose the ROIs 64 . 70 . 72 have been identified by an automated algorithm as having an abnormal anatomy, while the ROIs 66 . 68 . 74 . 76 have been identified by the automated algorithm as normal anatomy. A user can use the technique 134 to use deviation plans 82 to 94 to produce intermediate results of the algorithm. By comparing the deviation of a given intermediate result of a ROI specified as normal (eg the ROI 66 ) with a corresponding intermediate result of an ROI designated by the algorithm as "abnormal" (eg the ROI 64 ), the user can gain insight into the inner workings of the algorithm and gain an understanding of the decision making process of the algorithm.

Bei einigen Ausführungsformen kann die visuelle Ausgangsdarstellung bei dem Schritt 46 (2), dem Schritt 132 (5) und dem Schritt 148 (6) auf einer grafischen Benutzerschnittstelle (GUI) 150 dargestellt werden, wie dies in 7 veranschaulicht ist. Die GUI 150 beinhaltet einen Bereich 152 zur Visualisierung von Abweichungsplänen, wie dem Abweichungsplan 54 (3). Außerdem werden dazu eine gemeinsame Farbskala 154, ähnlich der Skala 55 (3) und der Skala 96 (4) angezeigt, der Kodierung der Zellen in dem Abweichungsplan einen Bedeutungsinhalt zu geben. Die GUI 150 beinhaltet auch einen Bereich 156 zur Visualisierung von Patientenbilddaten, etwa dem Bild 48 (3), dem Bild 78 (4) oder beispielsweise einer synthetischen Darstellung oder eines Modellatlas. In der GUI 50 sind außerdem eine Anzahl Datenbereiche 158, 160, 162, 164 beinhaltet, die gemäß verschiedener Ausführungsformen numerische und Textdaten wiedergeben, einschließlich Patientenbilddaten, Bezugsbilddaten, Abweichungsauswertungen, klinische Tests, patientenspezifische Daten, bezugswertspezifische Daten, um Beispiele zu benennen. Optional können ein oder mehrere der Bereiche 158 bis 164 als ein Bedienfeld konfiguriert sein, um es Benutzern zu gestatten, über Eingabefelder, Drop-Down-Menüs, etc. Daten einzugeben und/oder auszuwählen. Zu bemerken ist, dass die Anordnung der GUI 150 lediglich zu Erläuterungszwecken angegeben ist und dass auch andere GUI-Anordnungen, -Feldbezeichnungen und visuelle Ausgaben unterschiedliche Formen annehmen können. Zusätzliche Darstellungstechniken können auch Reparaturanzeigen, Diagramme, Wählscheiben, Schriftabwandlungen, Anmerkungen und dergleichen beinhalten. In some embodiments, the initial visual representation at step 46 ( 2 ), the step 132 ( 5 ) and the step 148 ( 6 ) on a graphical user interface (GUI) 150 be presented as in 7 is illustrated. The GUI 150 includes an area 152 for the visualization of deviation plans, such as the deviation plan 54 ( 3 ). In addition, a common color scale will be added 154 , similar to the scale 55 ( 3 ) and the scale 96 ( 4 ), to give meaning to the coding of the cells in the deviation plan. The GUI 150 also includes an area 156 for the visualization of patient image data, such as the image 48 ( 3 ), the picture 78 ( 4 ) or, for example, a synthetic representation or a model atlas. In the GUI 50 are also a number of data areas 158 . 160 . 162 . 164 including, according to various embodiments, numeric and textual data, including patient image data, reference image data, deviation evaluations, clinical tests, patient-specific data, referral-specific data, to name examples. Optionally, one or more of the areas 158 to 164 be configured as a control panel to allow users to enter and / or select data via input fields, drop-down menus, etc. It should be noted that the layout of the GUI 150 merely for illustrative purposes, and that other GUI arrangements, field designations, and visual outputs may take different forms. Additional presentation techniques may also include repair displays, diagrams, dials, typefaces, annotations, and the like.

Ein technischer Beitrag für das dargestellte Verfahren und die dargestellte Vorrichtung besteht darin, dass er ein Computer implementiertes System und Verfahren zur Analyse und Visualisierung lokaler klinischer Merkmale ermöglicht.A technical contribution to the illustrated method and apparatus is that it enables a computer implemented system and method for analyzing and visualizing local clinical features.

Für den Fachmann versteht sich, dass Ausführungsformen der Erfindung über eine Schnittstelle mit einem Computer lesbaren Speichermedium in Verbindung stehen und von diesem gesteuert sein können, auf dem ein Computerprogramm gespeichert ist. Das Computer lesbare Speichermedium beinhaltet eine Anzahl Komponenten, wie eine oder mehrere elektronische Komponenten, Hardwarekomponenten, und/oder Computersoftwarekomponenten. Diese Komponenten können eine oder mehrere Computer lesbare Speichermedien umfassen, die allgemein Instruktionen speichern, wie Software, Firmware und/oder Assemliersprache zur Ausführung eines oder mehrerer Teile eines oder mehrerer Implementierungen oder Ausführungsformen einer Sequenz. Diese Computer lesbaren Speichermedien sind in der Regel nicht-flüchtig und/oder tangibel. Beispiele eines solchen Computer lesbaren Speichermediums umfassen ein aufzeichnungsfähiges Datenspeichermedium eines Computers und/oder einer Speichervorrichtung. Die Computer lesbaren Speichermedien können beispielsweise ein oder mehrere magnetische, elektrische, optische, biologische und/oder atomare Datenspeichermedien umfassen. Außerdem können solche Medien die Form von beispielsweise Floppy-Disks, Magnetbändern, CD-ROMs, DVD-ROMs, Harddisk-Laufwerken und/oder elektronischen Speichern annehmen. Andere Formen nicht-flüchtiger und/oder tangibler Computer lesbarer Speichermedien, die hier nicht aufgeführt sind, können bei Ausführungsformen der Erfindung benutzt werden.It will be understood by those skilled in the art that embodiments of the invention may interface with and be controlled by a computer readable storage medium having stored thereon a computer program. The computer readable storage medium includes a number of components, such as one or more electronic components, hardware components, and / or computer software components. These components may include one or more computer readable storage media generally storing instructions, such as software, firmware, and / or source language, for executing one or more portions of one or more implementations or embodiments of a sequence. These computer readable storage media are generally non-volatile and / or tangible. Examples of such a computer readable storage medium include a recordable data storage medium of a computer and / or storage device. The computer readable storage media may include, for example, one or more magnetic, electrical, optical, biological and / or atomic data storage media. In addition, such media may take the form of, for example, floppy disks, magnetic tapes, CD-ROMs, DVD-ROMs, hard disk drives and / or electronic memories. Other forms of non-volatile and / or tangible computer readable storage media not listed herein may be used in embodiments of the invention.

Eine Anzahl derartiger Komponenten können bei der Implementierung eines Systems kombiniert oder aufgeteilt werden. Außerdem können solche Komponenten einen Satz und/oder Reihen von Computerbefehlen umfassen, die mit irgendeiner Anzahl Programmiersprachen aufgeschrieben oder implementiert sind, wie sich dies für den Fachmann von selbst versteht. Zusätzlich können auch andere Formen Computer lesbarer Medien, etwa eine Trägerschwingung, dazu verwendet werden, ein Computerdatensignal zu verkörpern, das eine Befehlsfolge wiedergibt, die bei der Ausführung durch einen oder mehrere Computer diesen einen oder mehrere Computer veranlasst, eine oder mehrere Teile eines oder mehrerer Implementierungen oder Ausführungsformen einer Sequenz auszuführen.A number of such components may be combined or split in the implementation of a system. Additionally, such components may include a set and / or series of computer instructions written or implemented with any number of programming languages, as would be understood by those skilled in the art. In addition, other forms of computer readable media, such as a carrier wave, may also be used to embody a computer data signal representing a sequence of instructions that, when executed by one or more computers, cause that one or more computers to have one or more portions of one or more Implement implementations or embodiments of a sequence.

Gemäß einer Ausführungsform hat deshalb ein Computer lesbares Speichermedium ein auf ihm gespeichertes Computerprogramm, das Befehle enthält, die bei der Ausführung durch einen Computer den Computer veranlassen, auf einen von einem Patienten akquirierten medizinischen Datensatz zuzugreifen und aus dem medizinischen Datensatz ein erstes ROI zu identifizieren. Die Befehle veranlassen den Computer außerdem, einen Merkmalsdatensatz der ein für das ROI spezifisches interessierendes Merkmal wiedergibt zu extrahieren, ein zweites ROI aus dem medizinischen Datensatz zu identifizieren und einen Bezugsdatensatz zu extrahieren, der Bezugsdaten enthält, welche ein erwartetes Verhalten des interessierenden Merkmales wiedergibt. Außerdem veranlassen die Befehle den Computer den Merkmalsdatensatz mit dem Bezugsdatensatz zu vergleichen, eine Abweichungsmetrik zu erzeugen, die basierend auf dem Vergleich, eine Abweichung des interessierenden Merkmales wiedergibt und eine visuelle Darstellung der Abweichungsmetrik zu erzeugen.Thus, in one embodiment, a computer readable storage medium has a computer program stored thereon that includes instructions that, when executed by a computer, cause the computer to access a medical record acquired by a patient and identify a first ROI from the medical record. The instructions also cause the computer to extract a feature record of the ROI-specific feature of interest, identify a second ROI from the medical record, and extract a related record that contains related data that reflects expected behavior of the feature of interest. In addition, the instructions cause the computer to compare the feature record with the related record, generate a metric of deviation that reflects, based on the comparison, a deviation of the feature of interest and to produce a visual representation of the metric of deviation.

Gemäß einer weiteren Ausführungsform beinhaltet ein Verfahren die Schritte des Zugreifens auf einen klinischen Bilddatensatz, der von einem Patienten akquirierte Bilddaten enthält, das Identifizieren eines ersten ROIs aus dem klinischen Bilddatensatz und das Definieren eines ersten ROI-Datensatzes, der dem ersten ROI entsprechende Bilddaten enthält. Das Verfahren beinhaltet außerdem die Schritte des Extrahierens wenigstens eines abgeleiteten interessierenden Charakteristikums aus dem ersten ROI-Datensatz, das dem ersten ROI entspricht, das Definieren eines Charakteristikum-Datensatzes, welcher Bilddaten enthält, die das wenigstens eine interessierende abgeleitete Charakteristikum enthalten und das Identifizieren eines zweiten ROIs aus dem klinischen Bilddatensatz. Das Verfahren beinhaltet darüber hinaus die Schritte des Definierens eines zweiten ROI-Datensatzes der Bilddaten enthält, die dem zweiten ROI entsprechen, das Extrahieren eines Bezugsdatensatzes aus dem zweiten ROI-Datensatz, wobei der Bezugsdatensatz Bezugsdaten für das wenigstens eine abgeleitete interessierende Charakteristikum enthält. Das Verfahren beinhaltet auch den Vergleich des Charakteristikum-Datensatzes mit dem Bezugsdatensatz, das Berechnen wenigstens einer Abweichungsmetrik aus dem Vergleich und das Ausgeben einer Visualisierung der wenigstens einen Abweichungsmetrik.According to another embodiment, a method includes the steps of accessing a clinical image data set containing image data acquired by a patient, identifying a first ROI from the clinical image data set, and defining a first ROI data set containing image data corresponding to the first ROI. The method also includes the steps of extracting at least one derivative of interest characteristic from the first ROI data set corresponding to the first ROI, defining a characteristic data set containing image data containing the at least one derived characteristic of interest, and identifying a second one ROIs from the clinical image dataset. The method further includes the steps of defining a second ROI data set containing image data corresponding to the second ROI, extracting a reference data set from the second ROI data set, the reference data set including reference data for the at least one derived characteristic of interest. The method also includes comparing the characteristic data set with the reference data set, calculating at least one deviation metric from the comparison, and outputting a visualization of the at least one deviation metric.

Gemäß einer noch anderen Ausführungsform beinhaltet ein System zur Analyse klinischer Bilddaten eine Datenbank mit darauf gespeicherten, von einem Patienten akquirierten klinischen Bilddaten und einen Prozessor, der dazu programmiert ist, auf einen Datensatz aus der Datenbank zuzugreifen. Der Prozessor ist außerdem dazu programmiert, ein Ziel-ROI aus dem Datensatz zu identifizieren, wenigstens ein dem Ziel-ROI entsprechendes lokales Merkmal aus dem Satz Patientendaten zu extrahieren und einen Merkmalsdatensatz zu definieren, der das wenigstens eine lokale Merkmal wiedergibt.In yet another embodiment, a clinical image data analysis system includes a database having patient image acquired clinical image data and a processor programmed to access a data set from the database. The processor is also programmed to identify a target ROI from the data set, extract at least one local feature corresponding to the target ROI from the set of patient data, and define a feature data set representing the at least one local feature.

Der Prozessor ist weiterhin dazu programmiert, ein Bezugs-ROI aus dem Datensatz zu identifizieren, einen dem Bezugs-ROI entsprechenden Bezugsdatensatz aus dem Datensatz zu extrahieren, wenigstens eine Abweichungsmetrik für das wenigstens eine lokale Merkmal zu berechnen, wobei die wenigstens eine Abweichungsmetrik eine Abweichung des Merkmaldatensatzes von dem Bezugsdatensatz wiedergibt und eine Visualisierung der wenigstens einen Abweichungsmetrik auszugeben. Das System beinhaltet außerdem eine GUI, die dazu eingerichtet ist, die wenigstens eine Abweichungsmetrik für das wenigstens eine lokale Merkmal zur Schau zu stellen.The processor is further programmed to identify a reference ROI from the data set, extract a reference data set corresponding to the reference ROI from the data set, calculate at least one deviation metric for the at least one local feature, wherein the at least one deviation metric is a deviation of the Reflects feature data set from the related data set and output a visualization of the at least one deviation metric. The system also includes a GUI configured to display the at least one deviation metric for the at least one local feature.

Die Beschreibung verwendet Ausführungsbeispiele zur Erläuterung der Erfindung einschließlich deren bester Ausführungsform und setzt einen Fachmann in die Lage, die Erfindung auszuführen, einschließlich der Herstellung und der Benutzung irgendwelcher Vorrichtungen oder Systeme und der Ausführung irgendwelcher darin enthaltener Verfahren. Der Schutzbereich der Erfindung ist durch die Patentansprüche definiert und kann auch andere Ausführungsbeispiele umfassen, die dem Fachmann nahe liegen. Solche anderen Ausführungsformen sollen im Schutzbereich der Patentansprüche liegen, wenn sie strukturelle Elemente enthalten, die sich von dem Wortlaut der Ansprüche nicht unterscheiden oder wenn sie äquivalente Strukturelemente mit unbedeutenden Unterschieden zu dem Wortlaut der Ansprüche beinhalten.The description uses embodiments to illustrate the invention, including the best mode thereof, and to enable any person skilled in the art to practice the invention, including making and using any apparatus or systems and performing any method included therein. The scope of the invention is defined by the claims and may include other embodiments that are obvious to those skilled in the art. Such other embodiments are intended to be within the scope of the claims if they include structural elements that do not differ from the literal language of the claims, or if they include equivalent structural elements with insubstantial differences from the literal language of the claims.

Claims

A computer readable storage medium having stored thereon a computer program containing instructions which, when executed by a computer, cause the computer to: access a medical image record acquired by a patient ( 32 ); to identify a first region of interest (ROI) from the medical image dataset ( 34 ); to extract a feature data set representing a feature of interest (ROI) specific to interest ( 36 ); identify a second area of interest (ROI) from the medical image dataset ( 38 ); extract a reference data record containing reference data representing an expected behavior of the feature of interest for the second region of interest 40 ); compare the feature record to the related record ( 44 ); generate a deviation metric that produces a deviation of the feature of interest based on the comparison; and to produce a visual representation of the deviation metric ( 46 ).

The computer readable storage medium of claim 1, wherein the instructions cause the computer to identify the first and second regions of interest from image data representing a common image.

The computer-readable storage medium of claim 1, wherein the instructions cause the computer to: identify the first region of interest (ROI) to correspond to a first anatomical region of the patient; and identify the second region of interest as corresponding to a second anatomical region of the patient, wherein the second anatomical region does not include a portion of the first anatomical region.

The computer readable storage medium of claim 1, wherein the instructions further cause the computer to extract the feature set to reflect a shape-dependent parameter, a size-dependent parameter, a texture-dependent parameter, and a material-dependent parameter.

The computer readable storage medium of claim 1, wherein the instructions further cause the computer to extract the feature data set to reflect one of an anatomical feature and a functional feature of the first region of interest.

The computer readable storage medium of claim 1, wherein the instructions further cause the computer to standardize the feature record and normalize it to the related record.

The computer readable storage medium of claim 1, wherein the instructions also cause the computer: Identify image data corresponding to abnormal characteristic properties of interest, and to identify the second region of interest (ROI) from image data corresponding to normal characteristic features of interest.

The computer readable storage medium of claim 1, wherein the instructions further cause the computer to render the visualization of the deviation metric as a color-coded grid.

The computer readable storage medium of claim 1, wherein the instructions further cause the computer to display each of the first and second regions of interest as an overlay on an image of the patient.

The computer readable storage medium of claim 1, wherein the instructions further cause the computer to normalize image data corresponding to the first region of interest (ROI).